Data Scientist (Deep Learning)

Чем предстоит заниматься:

• Улучшать модели подбора комплектов товаров (образов) на основе визуальной сочетаемости по фотографии, генерация комплектов на основе текстового запроса пользователя;
• Обогащать атрибуты товаров: извлечение атрибутов из фотографий товаров, отзывов, генерация описаний с помощью нейронных сетей;
• Развивать визуальный поиск: разрабатывать алгоритмы детекции предметов одежды на фотографии, поиска по ассортименту актуальных товаров;
• Обучать LLM, разбирающуюся в моде и стиле, которая способна поддерживать диалог, давать советы и помогать в навигации по товарам на Lamoda;
• Виртуальная примерка: примерка вещей из ассортимента Lamoda на основе фотографии клиента.

Почему у нас классно:

• Мы аккредитованная IT-компания;
• Хорошо выстроенные процессы: квартальное планирование по методологии OKR, двухнедельные спринты, регулярные стендапы и проектные встречи для синхронизации;
• Сильная команда middle и senior специалистов, развитое DS-сообщество, где есть возможность обмениваться знаниями на внутренних митапах;
• У нас представлен полный жизненный цикл разработки data-driven продуктов с применением ML — от идеи и генерации гипотез до запуска АБ тестов. В части разработки онлайн-сервисов и деплоя моделей нам помогает команда инженеров.

Мы ожидаем:

• Опыт в области анализа данных и машинного обучения (от 2 лет);
• Опыт работы с SQL, Hadoop, Hive, Spark;
• Владение Python, Linux, методами работы с большими данными;
• Опыт применения Deep Learning в задачах Computer Vision, NLP;
• Опыт работы с фреймворками глубокого обучения (мы используем PyTorch);
• Знания теории вероятностей и математической статистики; машинного обучения, прогнозного моделирования и методов статистического анализа; алгоритмов и структур данных;
• Высшее образование в области прикладной математики, информационных технологий, информатики и т.п;
• Английский язык на уровне технического чтения.

Как мы работаем:

• Пишем на Python 3.6+ и PySpark 3.0;
• Для ресерча доступны два сервера (80 cores, 650Gb RAM), на которых развернут JupyrerHub и есть доступ к Hadoop-кластеру;
• Код с логикой ML-пайплайнов упаковываем в Docker и выкатываем, используя CI/CD-инструменты с запуском code style проверок и тестов;
• Используем Airflow для управления ML-пайплайнами и запуском их по расписанию;
• В командах есть культура code review как для изменений по части продакшен-пайплайнов, так и для ресерч-задач;
• Регулярно проводим командные брейнштормы с целью генерации новых идей по развитию наших data-driven продуктов;
• В компании внедрена культура принятия решений на основании данных и все изменения тестируем через a/b эксперименты.